1.1.2 设备的智能预测性维护
在设备管理领域，为解决设备运营与维护过程的异地化、实时化和及时性问题，设备运营企业利用图1.2所示物联网或工业互联网技术采集设备运行状态数据（感知智能化），并通过（移动）互联网上传至企业运营中心（或企业云）；系统软件对设备实时状态进行在线监测、控制，并经过数据分析进行维护需求预测和维护调度（设备智能化）。在设备的状态监测与预测过程中，企业逐渐形成了基于（移动）互联网和设备维护、维修与运营MRO（Maintenance Repair&Operation）数据环境（设备结构与性能、设备运营状态、环境状态、业务运营状态、人员状态、维护社交网络数据以及客户反馈数据等大数据信息）的智能预测性维护服务平台，提供远程个性化的设备智能维护、维修和运营服务，并体现出全球性（互联网连接）、实时性（工业互联网支持的状态检测）和及时性（移动终端调度）等特性。
图1.2 设备的预测性维护
在智能制造时代，通过对设备运行状态、历史维护信息等数据信息进行分析和挖掘，可以了解设备故障产生的过程、造成的影响和解决的方式，这些信息被抽象化建模后转化成知识，再利用知识去预测故障和执行维护决策，实现了设备的自省和智能化，使得设备全生命周期的知识能被高效和自发地产生和利用，也完成了设备维护策略从传统的预防性维护（Preventive Maintenance，PM）策略向设备的智能预测性维护（Intelligent Predictive Maintenance，IPdM）策略的转变[2，3]。
丹麦维斯塔斯公司（世界风力发电工业中技术发展的领导者）在风机的机舱、轮毂、叶片、塔筒及地面控制箱内，安装了传感器、存储器、处理器以及监控和数据采集（Supervisory Control and Data Acquisition，SCADA）等系统，通过智能预测性维护技术，实现对风机运行的实时监控；公司还在风力发电涡轮中内置微型控制器，可以在每一次旋转中控制扇叶的角度，从而最大限度地捕捉风能，还可以控制每一台涡轮，在能效最大化的同时，减少对邻近涡轮的影响；公司还对实时数据进行处理，预测风机部件可能产生的故障，以减少可能的风机不稳定现象，并使用不同的工具优化这些数据，达到风机性能的最优化。
在航空公司不愿花钱对发动机进行大型常规保养或检修的前提下，美国通用电气航空集团公司通过提供图1.3所示的发动机健康监控、发动机维护排程/预先调度和航班排程管理等服务功能，推出了“向航空公司提供基于智能预测性维护的航空发动机飞行使用时间服务”的服务创新模式，由公司承担航空发动机的购买、维修、调试、更新升级等服务，向航空公司租航空发动机、卖发动机的飞行使用时间，不需航空公司另外支付保养、维修费用。该模式已广泛应用于波音767的CF6-80发动机、猎鹰2000喷气式飞机的CFE738发动机、军用A-10攻击机的TF34发动机和C-5运输机的TF39发动机等。
图1.3 通用电气航空集团公司的维护服务平台
设备运行工况的复杂性和设备多样性问题是设备健康评估面临的最大挑战，自2010年开始，日本日产公司在工业机器人的健康管理方面引入图1.4所示健康管理服务平台，以避免由于故障造成的停产损失，主要策略方法由4个方面构成。第一，对于数量庞大的工业机器人，使用其控制器内的监控参数对其进行健康分析：根据每一个机械臂的动作循环提取固定的信号统计特征，如RMS、方差、极值、峭度值和特定位置的负载值等，并采用同类对比的方法消除由于工况多样性造成的建模困难，通过直接对比相似设备在执行相似动作时信号特征的相似程度找到利群点，作为判断早期故障的依据（可提前2周确定故障）。第二，预测分析流程包括：关键部件选择（如机械臂驱动马达）、数据采集（如负载、转矩、位置、周期时间、机器人型号等参数）、信号处理与特征提取、健康建模（如相似性聚类、定位等）、故障诊断。第三，聚类过程包括：根据设备型号和使用时间进行第1轮聚类，根据设备任务、环境和工况等进行第2轮聚类，聚类特征可以选择转矩最大、最小和平均值等参数，形成机械臂虚拟社区（当机械臂执行相似动作时，其特征分布十分相似），然后比较个体与集群的差异性判断异常程度，相应的方法有PCA-T2模型（设备与集群的偏离程度，其分布符合F分布的特征，可以按90%～95%的置信区间确定控制）、高斯混合模型、自组织映射图、统计模式分析等。第四，每天生成健康报告，根据设备实时状态进行维护计划和生产计划调度。
图1.4 日产公司的工业机器人健康管理服务平台
中国三一重工股份有限公司从2008年开始也进行了物联（采集、通信、数据汇集到大数据平台）的实践，目前有20万台设备共5000多种参数连接在企业控制中心ECC（Enterprise Control Center）系统，可以实时监控设备的运行数据，并进行故障报警、故障预测、配件预测、智能服务、辅助研发和信用管理等内容。